复杂退化条件下基于状态驱动时空建模的无云哨兵-2号时间序列重建

《Remote Sensing of Environment》：Reconstructing cloud-free Sentinel-2 time series under complex degradations with state-driven spatio-temporal modeling

　　

**摘要**

• 所提出的方法可在复杂退化条件下重建卫星图像时间序列。
• 状态感知路由引导信息流从清晰特征流向退化特征。
• 时间相关性先验指导精确的多时相特征聚合。
• 在全球范围内抽取的站点上进行的大量测试表明了该方法的优势。
• 重建的时间序列提高了遥感指数的保真度。

**引言**

卫星图像时间序列通过其周期性重访能力实现全球连续监测。农业管理（Berger等，2022；Zhang等，2025a；Li等，2026）、灾害减轻（Kucharczyk和Hugenholtz，2021；Ge等，2020；Liu等，2023；Zheng等，2024）、物候检测（Liu等，2026；Tran等，2025；Lobert等，2023）以及生态监测（Beamish等，2020；Qiu等，2025；Seitzinger等，2026；Zhou等，2026；Alsleben等，2026；Blickensd?rfer等，2026）等应用高度依赖长期观测来跟踪时空动态。由于人类活动和经济开发的加剧，各种土地覆盖类型的转变正在加速（He等，2026a；Yang等，2025；Sun等，2025a）。这一趋势进一步增加了对密集、高分辨率且具有时间一致性的时间序列的需求。

然而，高时间频率的光学观测通常受到大气条件和环境因素的影响（Cai等，2025）。观测值与干净的地表反射率之间的数值畸变被视为退化。在实际中，时间序列中的退化很少独立发生，而是表现为多样且复杂的干扰。例如，云层及其他大气成分通过散射和吸收地表反射辐射来遮挡光学观测。另一方面，硬件限制和平台运动引入了传感器噪声和模糊等退化（Shu等，2025；Ma等，2025；2022；Wen等，2025；Abrahams等，2018；Geng等，2025；Cao等，2023）。这些干扰不仅降低了单次观测的质量，还破坏了序列的时间连续性。在退化的SITSs中，真实的地表变化通常与由退化引起的伪变化混合在一起。这种复杂的耦合关系要求重建模型能够准确地插补缺失信息，同时不抹除真实的动态变化（Liu等，2025）。因此，SITSs的重建超出了单次观测去云的范围，构成了复杂退化条件下的时间序列重建问题（Zhang等，2020）。

为提高SITSs的质量，研究人员在过去几十年中探索了各种重建方法，主要聚焦于去云（Shen等，2015）。早期研究依赖于统计模型，这些方法应用趋势假设、相似像素可用性和时空融合（Zhang等，2007；Chen等，2011；Zhu等，2015；Hilker等，2009）。然而，这些传统方法在清晰观测稀疏、相似像素不足以及空间分辨率变化的场景中往往难以奏效。随着深度学习的发展，基于光学序列的模型试图通过像素对齐或时空注意力来聚合时空特征（Ebel等，2021；Chen等，2022；Stucker等，2023；Zhang等，2024）。这些数据驱动型架构可以通过足够的清晰观测建立更复杂的时空依赖关系。然而，在长时间严重退化的情况下，SITSs中清晰且具有时间相关性的观测变得稀疏，严重阻碍了准确重建。为了增强严重退化场景下的重建能力，一些近期方法引入了互补模态，如合成孔径雷达（Zhao等，2020；Shu等，2025）。现有范式将这些模态级联到输入中，或在特征空间中整合其结构先验（Stucker等，2023；Li等，2025）。尽管这些方法提高了重建性能，但辅助模态的互补性尚未得到充分利用。

当前SITS重建技术面临三个主要局限。第一，尽管现有方法纳入了时空上下文（Stucker等，2023），但它们很少在特征聚合期间评估观测是清晰还是退化的。因此，这些对退化状态无感知的方法可能允许退化的观测损害清晰的观测。第二，现有架构在特征聚合中缺乏指导。与一般的表示学习不同，SITS重建需要从清晰区域向退化区域定向的信息流。然而，现有方法通常依赖双向注意力机制，没有为特征聚合提供明确的指导（Jiang和Shao，2024）。第三，明显缺乏统一的SITS重建方法——即一种能够统一处理多种不同退化的综合模型。现有的SITS重建方法主要聚焦于去云。然而，现实中的SITSs受到复杂退化的影响，包括噪声和模糊。专为去云设计的重建方法在复杂的现实场景中泛化能力有限（Li等，2022；Wen等，2024）。因此，建立复杂退化场景下鲁棒的SITS重建统一方法至关重要。

基于这些观察，我们认识到SITS重建的关键在于选择性地提取和定向传播可靠且时间相关的清晰特征。为了实现这些目标，一种鲁棒的方法应该区分清晰观测和退化观测，并引导定向信息流以减轻退化传播。此外，它还应该保持时间演化并避免模糊真实的地表动态。

具体而言，我们提出了一种通过定向信息路由实现的状态驱动时空重建方法，专用于复杂退化条件下光学SITSs的鲁棒重建。STRIDE采用非对称时空变压器，其中集成了信息路由和时间演化，旨在促进重建过程中的定向特征聚合。通过编码时空退化状态，提出了一种状态感知的定向信息路由机制，将信息流从清晰观测引导至退化区域。此外，我们设计了成对时间相关性的几何表示，将长期时间序列中的线性连续性和季节周期性融合以表示时间先验。除这些核心组件外，STRIDE还集成了辅助退化估计模块以应对非云退化，并采用交叉注意力架构来灵活整合互补模态。

本研究的关键贡献总结如下：

• 我们将复杂退化条件下的SITS重建公式化为统一的重建问题。这一范式超越了去云范畴，建立了复杂退化条件下的重建方法。
• 提出了一种统一的重建方法来优化复杂退化场景下的特征聚合。通过将流形映射的时间演化建模与状态感知定向信息路由相结合，该方法旨在鼓励提取和聚合可靠的结构和时间特征。
• 引入了由上述机制驱动的非对称时空变压器块。该架构打破了传统自注意力中不受约束的双向交互模式，减轻了聚合过程中退化和时间无关特征的传播。
• 提出了辅助退化估计模块以识别非云退化。此外，STRIDE应用灵活的交叉注意力架构，支持光学和单模态及多模态设置下的重建性能。

本文其余部分组织如下：第2节回顾了基于统计的SITS重建、基于深度学习的光学SITS重建以及基于深度学习的多模态SITS重建的相关工作。第3节介绍了用于评估的数据和研究区域。第4节详细阐述了所提出的STRIDE，包括流形映射的时间演化、状态感知定向信息路由以及非对称时空变压器。第5节展示了评估该方法的大量实验结果，并对结果进行了全面分析。最后，第6节总结了本研究。

**第2节 相关工作**

*基于统计的SITS重建*

为提高SITSs的质量，研究人员在过去几十年中开发了各种重建方法。早期研究主要依赖统计模型进行数据插补（Shen等，2015）。例如，线性插值被广泛用于估计时间轨迹上的缺失值（Zhang等，2007）。为了捕捉生态变化，时间序列的谐波分析和Savitzky-Golay滤波器被引入以将序列划分为趋势和周期成分（Zhu等。

**第3节 数据和研究区域**

为全面训练和评估我们提出的方法，我们使用了两个具有互补角色的不同数据集。首先，公开的PASTIS-R数据集作为与现有基线方法进行比较的标准基准。其次，为评估模型的泛化能力和进行现实可靠性分析，我们收集了大规模、全球分布的多模态SITSs，作为我们的主要研究区域。

**第4节 STRIDE整体架构**

如图3所示，STRIDE是一个层级重建网络，以Sentinel-2光学SITS、其日期索引以及相应的云掩码序列作为输入。其骨干由层级排列的非对称时空变压器（ASTT）块组成。每个ASTT块包含独立的时间注意力和空间注意力分支。时间分支对来自不同观测的时间token执行自注意力，而空间分支执行

**第5节 实验**

*比较方法*

为评估所提出STRIDE的有效性，我们与最先进的SOTA方法进行了全面实验。比较的方法包括深度视频修复方法：STTN（Zeng等，2020）、DSTT（Liu等，2021b）和FFM（Liu等，2021a）；遥感SITS去云和时间序列重建方法：U-TILISE（Stucker等，2023）、MS2TAN（Zhang等，2025b）以及近期的Restore-DiT（Shu等，2025）。

*定量指标*

为定量评估性能

**第6节 结论**

在本研究中，我们将复杂退化条件下长期光学SITS的重建公式化为一个统一的重建问题。为实现这一目标，我们提出了STRIDE，一种状态驱动的时空重建方法。其核心是非对称时空注意力机制，由流形映射的时间演化和状态感知定向信息路由驱动，打破了自注意力的无约束双向交互模式。大量评估表明

**CRediT作者贡献声明**

Ziyang LiHe：写作——审稿与编辑，写作——原稿撰写，验证，软件，方法论，调查，正式分析，数据整理，概念化。
Qiangqiang Yuan：写作——审稿与编辑，写作——原稿撰写，项目管理，资金获取，概念化。
Jiang He：写作——审稿与编辑，写作——原稿撰写，监督，资源，方法论，数据整理，概念化。
Liupeng Lin：写作——审稿与编辑，资源。
Xianyu

**利益冲突声明**

作者声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

**致谢**

本工作得到了国家自然科学基金（资助号42471414）和中央高校基本科研业务费专项资金（资助号2042026kf0001）的支持。

Ziyang LiHe | Qiangqiang Yuan | Jiang He | Liupeng Lin | Xianyu Jin | Huanfeng Shen | Liangpei Zhang